使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

Aug, 2020

使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

Improved anomaly detection by training an autoencoder with skip connections on images corrupted with Stain-shaped noise

Anne-Sophie Collin, Christophe De Vleeschouwer

TL;DR本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。

Abstract

In industrial vision, the anomaly detection problem can be addressed with an autoencoder trained to map an arbitrary image, i.e. with or w

industrial vision anomaly detection autoencoder synthetic noise model stain noise model

发现论文，激发创造

使用对抗自编码器实现图像中的稳健异常检测

研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

Jan, 2019

Skip-GANomaly: 跳跃连接和对抗训练的编码器 - 解码器异常检测

介绍了一种基于无监督学习、卷积神经网络和图像处理的异常检测方法，该方法对于高维的图像空间和低维的潜在空间都有很好的重构表现，更适合处理训练数据高度不平衡的真实场景数据。在 X 光安全筛查等领域通过基准实验和实际应用均展现了出色的性能。

Jan, 2019

利用自编码器的弱点生成伪异常数据

通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

May, 2024

使用具有对称跳跃连接的卷积自编码器进行图像恢复

本文提出一种使用对称卷积 - 反卷积层的深度全卷积自编码器网络用于图像修复，通过跳级连接缓解深度网络训练难的问题，达到了更快收敛和更好的修复效果。

Jun, 2016

基于自编码器的制造质量控制与无监督类别选择

基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。

Sep, 2023

一种分层特征重构的自编码器用于无监督异常检测

无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务，本文提出了一个简单而有效的架构，在异常检测中取得了更准确和鲁棒的定位结果。

May, 2024

提升表面异常检测的切除与恢复：基于注意力的单一确定性掩码

表面检查中的异常检测是制造业中一项重要且具有挑战性的任务，我们提出了一种名为 Excision and Recovery（EAR）的新型重建方法，通过单一确定性掩模来屏蔽潜在的疑似缺陷区域，用于异常检测。通过实验证明，EAR 模型在异常检测性能和吞吐量方面均优于现有方法。

Oct, 2023

面板自编码器用于图像异常检测

无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器（Patch AE）框架，旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构，即分块重构，确保了自编码器对异常的敏感性。我们的方法简单高效，在 Mvtec AD 基准方面取得了最新的研究成果，证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。

Aug, 2023

基于面向工业图像分析的基于补丁自编码器的图像或潜空间异常检测

我们研究了基于补丁自编码器的颜色图像异常检测方法，通过比较三种基于错误、潜在空间中正常图像分布的支持估计，以及原始图像和重建图像的恢复版本之间的错误的性能，我们将这些方法与两种竞争性的最新方法在工业图像数据库 MVTecAD 上进行评估比较。

Jul, 2023

学习不重构异常

本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

Oct, 2021